Github
论文PersFormer 3DLane 项目介绍
项目背景
PersFormer 是一种创新的3D车道线检测模型，使用单目相机进行3D车道线的检测。其设计独特之处在于运用了一种基于Transformer的空间特征转换模块。这种模块使得模型能够根据摄像机的参数来生成鸟瞰视角（BEV）特征，通过关注前方视图的局部区域来增强检测的精确度。
模型特点
PersFormer模型结合了2D与3D的锚点设计，并同时执行2D与3D车道线的检测任务。这种多任务学习的机制不但提高了特征的一致性，还提高了模型在多种不同场景下的表现能力。
项目亮点
- 工作机制：PersFormer以端到端的方式进行操作，这意味着输入图像后无需过多的预处理，模型即可直接输出结果。
- 适应多种环境：通过统一的2D/3D锚点设计，PersFormer能够在普通天气、极端天气、夜间、交叉路口等多样化环境中进行稳定的车道线检测。
- 高效性能：在OpenLane基准测试中，PersFormer的F-Score达到53.1，对多种车型和场景均表现出色。
- 视觉化结果：项目提供了OpenLane数据集和Apollo 3D合成数据集上的视觉化结果，使用户更容易理解模型的运作方式。
使用指南
要使用PersFormer，用户需要在设备中配置至少一个GPU。整个环境的设定可通过参考提供的INSTALL.md文件来进行。同时，项目的训练与评估步骤也详细列在了TRAIN_VAL.md文件中，便于用户快速上手。
数据集
项目使用了OpenLane数据集和其他3D车道线检测的公共数据集。用户可以通过对应的链接下载并使用这些数据集进行训练和评估。
效果展示
在多种不同的3D车道检测基准测试中，PersFormer均展现出优于其他模型的性能。在OpenLane数据集上，PersFormer取得了高达53.1的F-Score，证明其在车道检测任务上的卓越表现。
致谢
项目感谢来自SenseTime Research的SenseBee标注团队的支持，以及来自北京航空航天大学的Zihan Ding的建设性意见。同时，项目还感谢Gen-LaneNet、LaneATT和Deformable DETR等开源项目提供的代码支持。
授权许可
本项目的所有代码均依照Apache License 2.0协议进行发布，用户可自由使用和修改。
通过PersFormer，研究和开发人员能够获取一种强大且有效的工具，以提升自动驾驶车辆的车道检测能力。其在精度和适应性上的优势，使其成为3D车道线检测领域的一个新基准。
